Seminar künstliche Intelligenz

Transkript

1 Seminar künstliche Intelligenz Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Stefan Görlich mi

2 Inhalt 1. Einleitung 1.1 Problemstellung Zielsetzung Die Suche in öffentlichen Verkehrsnetzen Bestensuche 4 2. Gierige Suche 3. A* 2.1 Algorithmus Beispiel Fazit 7 3.1Algorithmus Vollständigkeit Optimalität Beispiel Fazit Speicherbegrenzte Suche 4.1 SMA* - Algorithmus Beispiel Fazit Modifikationen für den Einsatz in öffentl. Verkehrsnetzen 6. Quellen Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 2

3 1. Einleitung 1.1 Problemstellung Ziel ist es, den kürzesten Weg zwischen Start und Ziel zu finden. Dabei ist das finden des Weges nicht trivial, da der Startknoten normalerweise nicht direkt mit dem Ziel verbunden ist. Anwendung findet das Lösen des Kürzesten-Wege-Problems z.b. in öffentlichen Verkehrsnetzen. Der Benutzer gibt den gewünschten Startort und das gewünschte Ziel ein, und erhält die beste Verbindung. Vorraussetzung dafür ist, dass ein Ziel gefunden wird, sofern vorhanden. Damit ein Suchalgorithmus in öffentlichen Verkehrsnetzen eingesetzt werden kann sind allerdings modifikationen nötig. So wird die kürzeste Verbindung zu einer bestimmten Abfahrts- oder Ankunftszeit gesucht. Hinzu kommen Optionen, die vom Benutzer gesetzt werden können und die das Suchergebnis beeinflussen. Viele Probleme der künstlichen Intelligenz können ebenfalls als Suchprobleme dargestellt werden. Der Suchraum besteht dabei aus einem gerichteten Graph, in dem der kürzeste Weg vom Start- zum Zielknoten gesucht wird. Als Beispiel ist hier z.b. Schach zu nennen. Ein weiteres Problem von Suchalgorithmen ist die große Anzahl der Knoten im Suchraum. Im Verkehrsnetz des Hamburger-Verkehrs-Verbund (HVV) existieren Knoten, die unterscuht werden müssen Zielsetzung Ziel dieser Arbeit ist es, dem Leser einen Überblick über zwei Suchalgorithmen und deren Funktionsweise zu geben. Desweiteren wird gezeigt, welche Modifikationen nötig sind, damit die theoretischen Algorithmen in der Praxis für öffentliche Verkehrsnetze eingesetzt werden können. Ziel ist es hingegen nicht, die Grundlagen der Graphentheorie oder weitere Suchalgorithmen aufzuzeigen. 1 : Stand Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 3

4 1.3 Die Suche in öffentlichen Verkehrsnetzen Eine Suche in öffentlichen Verkehrsnetzen verläuft ähnlich einer Suche in der KI oder in der Logistik. Ziel ist es, den schnellsten Weg vom Start- zum Zielknoten zu finden. Zu beachten ist allerdings, dass eine Bus-/Bahnlinie auf einer Strecke mehrmals täglich verkehrt und die gewünschte Zeit zu berücksichtigen ist. Das Umsteigen von einer Linie in eine andere kann mit unterschiedlichen Kosten verbunden sein. Die Höhe der Kosten hängen dabei wiederum von den Optionen ab, die der Benutzer gewählt hat. Der Suchraum in öffentlichen Verkehrsnetzen besteht nicht wie in der Theorie oft dargestellt aus einem (binären) Baum, sondern aus einem gerichteten Graphen. Dabei sind beliebig viele Zyklen möglich. Unendliche Pfade zum Ziel sind hingegen in öffentlichen Verkehrsnetzen auszuschließen, weil der Suchraum im Vorfeld und nicht dynamisch erstellt wird. 1.4 Bestensuche Damit ein Suchalgorithmus in öffentlichen Verkehrsnetzen zur Anwendung kommen kann, muss er bestimmte Eigenschaften haben: Vollständigkeit: Die Suche muss immer ein Ziel liefern, sofern es mindestens ein Ziel gibt. Dabei ist es unerheblich in welcher Tiefe, in welcher Verweigung und wie weit sich der Ziel- vom Startknoten entfernt befindet. Optimalität: Als Ergebnis wird immer der optimale Zielknoten zurückgegeben. Als optimal gilt ein Knoten, wenn kein anderer Zielknoten existiert, der geringere Kosten verursacht. Optimal Effizient: Der Suchalgorithmus untersucht nur soviele Knoten, wie unbedingt nötig sind. Es existiert kein Suchalgorithmus, der Vollständig und optimal ist, und dabei weniger Knoten exploriert. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 4

5 2. Gierige Suche 2.1 Algorithmus Die Gierige Suche, auch greedy search genannt, untersucht den Knoten als nächstes, für den die Kosten zum Zielknoten wahrscheinlich am geringsten sind. Dazu wird eine Menge L von Knoten verwendet (die Agenda), die dem Algorithmus bekannt sind. Zu beginn der Suche befinden sich in der Agenda alle Startknoten. Mit Hilfe einer heuristischen Schätzfunktion h(n) werden die Kosten geschätzt, die auf dem Weg vom Knoten n bis zum Ziel entstehen werden. H(n) liefert dabei ausschließlich positive Werte, da nur positive Kosten entstehen dürfen; für den Zielknoten muss gelten h(n)=0. Anhand der Schätzfunktion entscheidet die gierige Suche welcher Knoten aus L als nächstes untersucht wird: Der Knoten, für den die Heuristikfunktion die geringsten Kosten liefert, führt am wahrscheinlichsten zum Ziel und wird exploriert. Sollte es sich bei dem untersuchten Knoten n um einen Zielknoten handeln, wird der Pfad vom Startknoten zu diesem Knoten zurückgeliefert und die Suche ist beendet. Andernfalls wird n aus der Agenda L entfernt. Anschließend werden alle Nachfolger von n in L eingefügt. Danach wird dann wieder der Knoten aus der Agenda gewählt, für den h(n) die geringsten Kosten liefert. Die Suche iteriert, bis entweder ein Ziel gefunden wurde, oder in der Liste L keine Knoten mehr vorhanden sind. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 5

6 L = Liste der Startknoten L = { }? Nein Ja Fehlschlag Wähle Knoten n aus L für den h(n) minimal ist Ist n ein Ziel? Nein Ja Erfolg n aus L entfernen, alle Nachfolger von n in L einfügen 2.2 Beispiel Als Beispiel für die gierige Suche soll untenstehendes Netz dienen. Die Knoten stehen dabei für Haltestellen in einem öffentlichen Verkehrsnetz, die Kanten sind die Bus-/Bahnlinien. An der Kanten sind die Kosten verzeichnet, die entstehen um von einem Knoten zum nächsten zu gelangen. Die Kosten sind z.b. die Entfernungen in Kilometer. Gesucht wird der kürzeste Weg vom Startknoten A zum Ziel H. Der optimale Weg verläuft von A über D, F, G nach H (Kosten: 418). Der Pfad A, D, E, H verursacht Kosten in Höhe von 441. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 6

7 Zu Beginn der Suche befindet sich der Startknoten A in der Agenda. Dieser wird zuerst untersucht. Anschließend werden alle seine Nachfolger B, C und D in die Agenda eingefügt. Anhand der Schätzfunktion h(n) wird nun entschieden, welcher dieser drei Knoten als nächstes exploriert wird. Nebenstehende Tabelle zeigt die Kosten der einzelenen Knoten, die h(n) zurückliefert. Da Knoten D am wenigsten wahrscheinliche Kosten bis zum Ziel verursacht, wird er untersucht. Seine Nachfolgeknoten werden in die Agenda L aufgenommen: L={B, C, E, Start}. Als nächstes folgt Knoten E, da h(n) für E den geringsten Wert liefert. Seine Nachfolger, der Zielknoten und Knoten D werden in die Agenda eingefügt. Da der Zielknoten immer mit 0 bewertet wird, ist also das Ziel erreicht - allerdings nicht über den kürzesten Pfad. 2.3 Fazit Wie im Beispiel gezeigt, ist die gierige Suche nicht optimal, weil die Kosten die durch das Erreichen des Knotens n bereits entstanden sind nicht berücksichtigt werden. Da sich die gierige Suche nicht merkt, welcher Knoten bereits untersucht wurde und immer alle Nachfolger eines Knotens in die Agenda eingefügt werden, (einschließlich des Knotens von dem n aus erreicht wurde) kann sich die Suche in einem Zyklus verlaufen. Die Folge wäre eine Endlosschleife. Mit einer Komplexität, die im Worst-Case exponentiell zur Tiefe des Suchraums ist (O(b m ), mit b=verzweigungsgrad und m=tiefe des Ziels), ist die gierige Suche nicht optimal Effizient. Die Komplexität hängt allerdings stark von h(n) ab. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 7

8 3. A* 3.1Algorithmus Der A*-Algorithmus minimiert die Gesamtkosten die entstehen, um einen Knoten n zu erreichen. Dabei werden neben den Kosten die die Schätzfunktion h(n) liefert, auch die Kosten g(n) berücksuchtigt, die durch das Erreichen des Knotens bereits angefallen sind. Daraus folgt für die Funktion f(n), nach der entschieden wird, welcher Knoten als nächstes untersucht wird: f(n) = h(n) + g(n). Der Knoten, der die geringsten Gesamtkosten verursacht wird als nächstes exploriert. Damit auch zyklenbehaftete Suchräume untersucht werden können, speichert der A*-Algorithmus die Knoten, die bereits untersucht wurden, in der Liste C. Nachdem ein Knoten n expandiert wurde, wird er aus der Agenda entfernt und in die Liste C der bereits untersuchten Knoten eingefügt, sofern er kein Ziel ist. Alle Nachfolgeknoten von n werden anschließend in L aufgenommen, wenn sie weder in C noch in L bereits vorhanden sind. Sollte ein Nachfolger bereits in L enthalten sein, wurde ein weiterer Pfad zu dem selben Knoten gefunden. Es wird dann überprüft, welcher der beiden Pfade der geringeren Kosten verursacht. Dieser Pfad wird in dem Knoten gespeichert, der teurere wird verworfen. Auch bei dem A*-Algorithmus iteriert die Suche, bis in der Agenda kein Knoten mehr vorhanden ist, oder ein Zielknoten gefunden wurde. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 8

9 3.2 Vollständigkeit Der A*-Algorithmus fügt alle Nachfolger eines Knotens in die Agenda ein, wenn sie sich nicht schon in der Agenda befinden oder bereits untersucht wurden. Da alle untersuchte Knoten in der Liste C gespeichert werden, wird eine Endlosschleife verhindert. In öffentlichen Verkehrsnetzen existieren keine unendlichen Pfade und die Suche iteriert, bis ein Ziel gefunden wurde, oder kein Knoten mehr in der Agenda vorhanden ist. Falls das Ziel nicht erreichbar ist untersucht der A*- Algorithmus alle Knoten, die sich im Suchraum befinden. Daraus folgt, dass der A*-Algorithmus immer ein Ziel findet, sofern es erreichbar ist. 2 2 : vgl. Nilsson: Principles of Artificial Intelligence, 1982 Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 9

10 3.3 Optimalität Unter der Bedingung, dass h(n) konsistent und monoton ist, ist der A*-Algorithmus optimal. Konsistent ist die Schätzfunktion immer dann, wenn sie für jeden Knoten die Kosten niemals überschätzt: h(n) h*(n) (h*(n) = die tatsächlichen Kosten). Ein einfaches Beispiel wäre die Lusftliniendistanz zwischen zwei Haltestellen als Schätzfunktion zu verwenden. Da die kürzeste Distanz zwischen zwei Punkten eine Linie ist, würde h(n) niemals einen zu großen Wert liefern und wäre konsistent. Monoton ist eine Schätzfunktion, wenn die geschätzten Kosten zum Ziel, die beim Übergang von einem Knoten n zum Kindknoten n eingespart werden, nicht größer sind als die Kosten, die bei dem selben Übergang entstehen: h(n) - h(n ) c(n n ) Behauptung: Der A*-Algorithmus ist nicht optimal! Es muss daher ein suboptimales Ziel t existieren, das höhere Kosten verursacht als das optimale Ziel o: g(t) > g(o). Da der optimale Zielknoten nicht direkt mit dem Startknoten verbunden ist, muss es zwischen dem Start und dem Ziel mindestens einen Knoten n geben, der auf dem optimalem Weg zum optimalen Ziel liegt. Unter der Monotoniebedingung für h(n) verursacht der Knoten n nicht geringere Kosten als das optimale Ziel: g(o) f(n). Gleichsetzen von g(o): g(t) > g(o) f(n) g(t) > f(n) Der suboptimale Zielknoten t verursacht also höhere Gesamtkosten als der Knoten n, der sich auf dem Pfad vom Startknoten zum optimalen Zielknoten befindet. Nach der Definition des Algorithmus wird aber immer der Knoten untersucht, der die geringsten Gesamtkosten verursacht. Bevor also der suboptimale Zielknoten t erreicht würde, wird der Knoten n untersucht und das optimale Ziel erreicht. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 10

11 3.4 optimale Effizienz Der A*-Algorithmus untersucht alle Knoten, die sich innerhalb oder auf einer Ellipse befinden. Im oberen Schaubild sind drei solcher Ellipsen dargestellt. Alle Knoten innerhalb oder auf den Ellipsen werden untersucht, wenn die angegebenen Kosten erreicht sind. Der Algorithmus untersucht alle Knoten die geringere Kosten verursachen als das optimale Ziel, und bricht dann ab. Würde ein Suchalgorithmus einige dieser Knoten nicht untersuchen, würde er Gefahr laufen auch einen Zielknoten zu überspringen. Daher ist A* optimal effizient Beispiel Zur Anwendung kommt erneut das von der gierigen Suche bekannte Beispiel. Die Kosten der einzelnen Knoten setzen sich zusammen aus den Kosten die entstehen, um vom Startknoten aus den Knoten n zu erreichen, und den Kosten die zum erreichen des Ziels schätzungsweise noch entstehen werden. (g(n) + h(n)) Zu Beginn der Suche werden die Nachfolger B, C und D des Startknotens in die Agenda eingefügt. Der Startknoten wird in der Liste C vermerkt. Anschließend wird D exploriert, da dieser Knoten die geringsten Kosten verursacht. D wird ebenfalls in der Liste der untersuchten Knoten gespeichert, und der Knoten E der Agenda hinzugefügt. Danach wird der Knoten E untersucht, und der Zielknoten mit Kosten in 3 : vgl. Dechter, Pearl: Generalized best-first search strategies and the optimality, 1985 Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 11

12 Höhe von 441 wird in die Liste L aufgenommen. Da der Zielknoten damit höhere Kosten verursacht als der Knoten F, kommt zunächst F an die Reihe. Es folgen die Knoten F und G. Der Zielknoten ist in der Agenda bereits enthalten. Da der neu gefundene Pfad günstiger ist als der vorherige, wird der Knoten aktualisiert und erzeugt nun Kosten in Höhe von 418. Zum Schluss wird der Zielknoten über den schnellsten Pfad erreicht. 3.6 Fazit Der A*-Algorithmus erfüllt alle Bedingungen, die nötig sind. Er ist Vollständig, optimal und optimal effizient. Wie viele andere Suchalgorithmen leidet der A*-Algorithmus unter einem hohen Speicherbedarf, da er die gesamte Agenda und alle bereits untersuchten Knotenspeichert. Ziel muss es also sein, die im Speicher befindlichen Knoten zu reduzieren, auch wenn sich dadurch der Rechenaufwand erhöht. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 12

13 4. Speicherbegrenzte Suche 4.1 SMA* - Algorithmus Ziel der Speicherbegrenzten Suche ist es, mit einer gegebenen Speicherkapazität das optimale Ziel in möglichst wenig Schritten zu finden. Unter der Monotoniebedingung für h(n) (siehe S. 10) kann auf die Verwaltung der bereits erschlossenen Knoten C verzichtet werden. In die Agenda werden nur die Kindknoten n eines Vaterknotens n eingefügt, für die gilt: f(n) f(n ). Es werden also nur die Knoten in die Agenda aufgenommen, die höhere Gesamtkosten verursachen als der Vaterknoten. Die Kindknoten die geringere Kosten verursachen wurden bereits zuvor untersucht, und dürfen kein zweites Mal exploriert werden, da sonst die Gefahr von Endlosschleifen besteht. Ferner wird eine Speicherobergrenze definiert, die die Anzahl der Knoten beschreibt, die gespeichert werden können. Je weniger Speicher zur Verfügung steht, umso rechenaufwendiger wird die Suche. Solange die Speicherobergrenze nicht erreicht ist, verhält sich die speicherbegrenzte Suche wie ein normaler A*-Algorithmus mit einer Ausnahme: Sobald alle Nachfolgeknoten eines Knotens n bekannt sind, werden die minimalen Kosten der Nachfolger auf den Vaterknoten übertragen. Ist die Speicherobergrenze erreicht, muss Platz für den nächsten Knoten geschaffen werden - es muss ein Knoten aus der Agenda gelöscht werden. Der Knoten mit den höchsten Gesamtkosten führt am unwahrscheinlichsten zum Ziel und wird verworfen. Damit im nächsten Schritt der verworfene Knoten nicht wieder exploriert wird, werden die Kosten des verworfenen Pfades im Vaterknoten Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 13

14 gespeichert. Dieser Vaterknoten enthält neben den eigenen Kosten auch Informationen über die Kosten des Pfades, der verworfen wurde. Anschließend wird wieder der Knoten untersucht, der die geringsten Gesamtkosten verursacht. So kann es vorkommen, dass ein verworfener Knoten später erneut expandiert wird. 4.2 Beispiel Der Einfachheit halber besteht der Suchraum in diesem Beispiel aus einem binären Baum. Ziel ist es vom Startknoten A das optimale Ziel D zu finden. Die Knoten D, F, J und I sind Zielknoten. Es steht Speicher für drei Knoten zur Verfügung. Nach dem Startknoten A werden seine Kindknoten B und G untersucht. Das minimun der beiden Kindknoten ist 13. Dieser Wert wird dem Vaterknoten A zugewiesen. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 14

15 Da schon drei Knoten untersucht wurden, ist die Speicherobergrenze erreicht. Der Knoten B wird entfernt und die Kosten von B im Vaterknoten zwischengespeichert. Zunächst wird der erste Nachfolger von G expandiert. Da H kein Zielknoten ist und auf Grund des begrenzten Speichers nicht weiter im Baum hinabgestiegen werden kann, werden die Kosten für H auf unendlich gesetzt. Der Knoten H wird wieder verworfen und der nächste Nachfolger, also I, wird untersucht. Die Kosten von H werden im Vaterknoten G gespeichert. Da beide Nachfolger nun bekannt sind, werden die Labels von G und A aktualisiert. I ist zwar ein Zielknoten, erzeugt aber höhere Kosten als der zuvor verworfene Pfad über Knoten B. Deshalb wird Knoten I wieder verworfen und Knoten B erneut expandiert. Der erste Nachfolger von B ist kein Zielknoten und wird wegen der Speicherbegrenzung mit unendlichen Kosten versehen. Die unentlichen Kosten werden in B zwischengespeichert und Knoten C verworfen. Der danach untersuchte Knoten D ist ein Zielknoten, der geringere Kosten verursacht als der zuvor gefundenen Zielknoten I. Die Labels von B und A werden aktualisiert. Da kein Knoten mit geringeren Kosten erreichbar ist, ist das optimale Ziel gefunden und die Suche bricht ab. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 15

16 4.3 Fazit Der SMA*-Algorithmus ist Vollständig, sofern ein Ziel vom Startknoten aus mit dem zu Verfügung stehenden Speicher erreicht werden kann. Reicht der Speicher aus, um das optimale Ziel zu erreichen, ist er auch optimal. Ist dafür nicht genügend Speicherplatz vorhanden, wird der Zielknoten gefunden, der mit dem Speicher erreichbar ist und die geringsten Kosten aller untersuchten Knoten erzeugt. SMA* könnte durchaus der beste allgemeine Algorithmus sein, um optimale Lösungen zu finden, insbesondere wenn der Zustandsraum ein Graph ist, die Schrittkosten nicht einheitlich sind und die Knotenerstellung teurer im Vergleich zu dem Zusatzaufwand ist, offene und geschlossene Listen zu verwalten. Für den Einsatz in öffentlichen Verkehrsnetzen sind allerdings noch Modifikationen nötig. 5. Modifikationen für den Einsatz in öffentl. Verkehrsnetzen Wie gezeigt existieren allgemeine Suchalgorithmen, die den optimalen Pfad zum optimalen Ziel finden. Damit diese Algorithmen in der Praxis für ein konkretes Problem eingesetzt werden können sind oft Modifikationen nötig. Diese Anpassungen betreffen einerseits die Schätzfunktion h(n), andererseits aber auch den Algorithmus direkt. Im folgenden werden einige Modifikationen beschrieben, die das Hamburger Berater Team an seinem Geofox-Algorithmus vorgenommen hat: Bisher wurde lediglich der kürzeste Weg gesucht. In öffentlichen Verkehrsnetzen ist dies aber aber nicht ausreichend: Es wird die optimale Verbindung zu Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 16

17 einer bestimmten Abfahrts- oder Ankunftszeit gesucht. Im Bereich des HVV existieren Linienwege pro Tag. Der Algorithmus muss also die gesuchte Zeit und den zu der Tageszeit gültigen Fahrplan berücksichtigen. Gesucht wird in öffentlichen Verkehrsnetzen die schnellste Verbindung. Die schnellste Verbindung ist allerdings nicht unbedingt die kürzeste. So kann z.b. eine Bahn eine schnellere Verbindung darstellen, obwohl sie im Vergleich zu einem Bus einen längeren Weg (in km) zurücklegt. Die unterschiedlichen Fahrzeiten müssen in der Schätzfunktion berücksichtigt werden. Als Schätzfunktion die Luftliniendistanz zum Ziel zu verwenden ist daher in öffentlichen Verkehrsnetzen nutzlos. Vielmehr werden einmalig statische Matrizen erstellt, in denen die Fahrzeiten von einer Haltestelle zu nächsten gespeichert sind. Durch geschickte Operationen auf diesen Matrizen werden die geschätzten Kosten zum Ziel ermittelt. Beim Umsteigen von einer Linie in eine Andere müssen die Wartezeiten minimiert werden. Steigt man z.b. von einer Linie die jede 20 Minuten verkehrt, in eine 10 minütige Linie um, muss die erste Fahrt so gewählt werden, dass man nicht über 9 Minuten warten muss. Dies kann durch eine Vorwärts- mit einer angeschlossenen Rückwärtssuche realisiert werden. Durch die Vorwärtssuche wird der optimale Pfad gefunden. Anschließend wird der selbe Pfad rückwärts verfolgt um dabei die optimalen Umsteigszeiten und Linien zu ermitteln. Durch Sucheinstellungen, die der Benutzer vornehmen kann, können gefundene optimale Lösungen unbrauchbar werden. So kommt der beste Weg für eine Person, die auf einen Rollstuhl angewiesen ist, nicht in Frage, wenn der Bahnsteig nur über eine Treppe zu erreichen ist. In diesem Fall muss die Suche diesen Pfad verwerfen und einen anderen Suchen. Der optimale Weg ist also nicht zwangsläufig auch der beste. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 17

18 Zu unterschiedlichen Tageszeiten kann die Fahrzeit von Bussen auf Grund des Verkehrsaufkommens variieren. Es müssen die Kosten der einzelnen Kanten der Tageszeit angepasst werden. Dies muss auch in der Schätzfunktion h(n) berücksichtigt werden. Es existieren Busslinien, die Abends oder an Wochenenden nicht verkehren. Dadurch gibt es auch Haltestellen, die zu bestimmten Zeiten nicht erreichbar sind. In diesem Fall würden alle im Suchraum befindlichen Knoten untersucht werden. Auf Grund der Anzahl der Knoten ist dies praktisch nicht durchführbar. Daher sollte eine Obergrenze an Iterationen - und dadurch auch an untersuchten Knoten - gesetzt werden, nach der die Suche ergebnislos abgebrochen wird. Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 18

19 6. Quellen Günter Görz, Claus-Rainer Rollinger, Josef Schneeberger: Handbuch der Künstlichen Intelligenz Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach Übung an der TU Chemniz Design einer Mitfahrerbörse auf Basis graphentheoretischer Verfahren Auskunft des Hamburger Berater Team Stefan Görlich, Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Seite 19